Guía del usuario de Spotfire®

Modelo predictivo

Spotfire proporciona las herramientas necesarias para incorporar modelos predictivos en su análisis, ya sea con modelos de regresión o de clasificación.

Nota: Las herramientas de modelo predictivo deben aplicarse utilizando el cliente instalado.
Nota: Las herramientas de modelo predictivo utilizan funciones de datos basadas en Spotfire Enterprise Runtime para R (también conocido como TERR) para realizar los cálculos. Su entorno de Spotfire debe admitir funciones de datos de TERR para poder usar las herramientas. Para obtener más información, consulte Uso de scripts y funciones de datos.
  • Los modelos de regresión resultan de utilidad a la hora de realizar predicciones numéricas, como las relativas a los gastos y los beneficios.
  • Por su parte, los modelos de clasificación resultan útiles cuando se realizan predicciones, normalmente, de dos nodos o clases; por ejemplo, si una transacción empresarial es fraudulenta o legítima.
Las tres tareas de los modelos predictivos son las siguientes:
  • Ajuste del modelo
  • Evaluación del modelo
  • Predicción a partir del modelo

Para ajustar el modelo, seleccione las opciones del modelo en los cuadros de diálogo Modelos de regresión o Modelos de clasificación y haga clic en Aceptar. Spotfire Enterprise Runtime para R de Spotfire crea el modelo y lo devuelve al análisis. Cada modelo crea distintas tablas de datos nuevas que pueden usarse para análisis posteriores.

Se crea una página modelo (consulte Página del modelo) y el modelo se agrega a El panel de modelos analíticos. Puede incluir más de un modelo en su análisis y, con ello, podrá repetir el proceso y evaluar todos los modelos con nuevos datos.

Tras completar la evaluación, tiene la posibilidad de predecir a partir del modelo. Cuando incluya un modelo en el análisis, puede usar el primero para insertar columnas de variable dependiente en su tabla de datos y compartir el resultado con otros.

Nota: Las columnas del tipo de datos Currency se convierten a Real, lo que puede dar lugar a una falta de precisión en el modelo.